Please use this identifier to cite or link to this item: http://hdl.handle.net/10889/9388
Title: Ανακατασκευή υπερφασματικών εικόνων υψηλής ανάλυσης με τεχνικές compressed sensing
Other Titles: Super resolution of hyperspectral images using compressed sensing based approach
Authors: Θράκα, Σοφία
Keywords: Υπερφασματικές εικόνες
Υπερανάλυση
Keywords (translated): Hyperspectral images
Super resolution
PCA
VCA
Compressed sensing
Abstract: Οι περιορισμοί του υπερφασματικού αισθητήρα και οι ατέλειες στο σύστημα απεικόνισης, οδηγούν σε υπερφασματικές εικόνες με χαμηλή χωρική ανάλυση. Χαμηλή χωρική ανάλυση σημαίνει κατ’ επέκταση μεικτά εικονοστοιχεία τα οποία υποβαθμίζουν τη διαδικασία φασματικού διαχωρισμού (spectral unmixing), κρίσιμη σε εφαρμογές εντοπισμού και αναγνώρισης υλικών στις οποίες χρησιμοποιείται η υπερφασματική απεικόνιση. Στην παρούσα εργασία εξετάζεται η υπερανάλυση (super resolution) υπερφασματικών εικόνων χρησιμοποιώντας τεχνικές συμπιεσμένης καταγραφής (compressed sensing). Δυο υπερπλήρη λεξικά (ένα χαμηλής και ένα υψηλής ανάλυσης) εκπαιδεύονται απο κοινού έτσι ώστε κάθε εικόνα να έχει την ίδια αραιή αναπαράσταση ως προς αυτά. Έτσι για κάθε τμήμα της χαμηλής ανάλυσης εικόνας-εισόδου, εξάγουμε την αραιή του αναπαράσταση την οποία χρησιμοποιούμε στη συνέχεια σε συνδυασμό με το λεξικό υψηλής ανάλυσης για τη σύνθεση της βελτιωμένης εικόνας. Για μείωση της υπολογιστικής πολυπλοκότητας και αξιοποίηση της συσχέτισης μεταξύ των φασματικών ζωνών εφαρμόζουμε τον μετασχηματισμό Principal Component Analysis. Επίσης συγκρίνoυμε την απόδοση των μεθόδων MVSA (Minimum Volume Simplex Analysis) και VCA (Vertex Component Analysis) ως προς την εκτίμηση των φασματικών υπογραφών (endmembers) και την ανακατασκευή της εικόνας. Τέλος επιχειρούμε να βελτιώσουμε την ακρίβεια του υπολογισμού των endmembers και της διαδικασίας του φασματικού διαχωρισμού, εφαρμόζοντας πρώτα την τεχνική super resolution που προτείνουμε στην εικόνα και στη συνέχεια τις μεθόδους εξαγωγής των φασματικών υπογραφών.
Abstract (translated): Instrument limitations result in low-resolution hyperspectral imaging that degrade the spectral unmixing process used in detection and recognition applications. In this thesis I improve the resolution of hyperspectral images using a compressed sensing approach, using Principal Component Analysis to reduce the computational complexity and to make use of the inherent low dimensionality of spectral content. Finally I compare the endmember extraction algorithms minimum volum simplex analysis and vertex component analysis and greatly enhance their performance by firstly applying my proposed super resolution method.
Appears in Collections:Τμήμα Ηλεκτρολ. Μηχαν. και Τεχνολ. Υπολογ. (ΔΕ)

Files in This Item:
File Description SizeFormat 
Thesis.pdf1.15 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.